基于相关滤波器的单目标跟踪算法研究

发布时间：2020-08-05 10:05

【摘要】：随着计算机软硬件、摄像机、云存储与人工智能等技术的发展,关于目标跟踪技术的研究越来越广泛。从上个世纪的诞生至今,已经涌现出一大批目标跟踪算法,在一定程度上取得了良好的效果,但由于受到跟踪背景复杂性因素的影响,获得一个高效而鲁棒的跟踪算法仍是一项具有重要意义和挑战性的任务。评价目标跟踪算法性能的好坏通常是由跟踪的准确率和跟踪的速率决定的,大部分算法不能同时在两者之间取得理想的效果,尤其是在满足一定跟踪精度时带来的跟踪速率的降低。而随着目标跟踪技术在生活中应用的要求越来越高,具有实时性的跟踪算法开始被人们所关注。传统相关滤波算法(Kernelized Correlation Filter,KCF)的特点就是跟踪速度快,本文主要对该算法存在的问题进行了分析和优化。本文的主要工作有以下几个方面:(1)针对复杂环境下采用单一图像特征跟踪精度和鲁棒性差的问题,基于密集采样框架提出了一种特征融合的相关滤波目标跟踪方法。在跟踪过程中,同时利用方向梯度直方图和颜色属性对目标外观特征进行描述,由目标外观模型和岭回归分类器获得的滤波系数,分别对循环移位获得的候选样本进行检测,对检测的分类器响应值进行线性加权融合,由最大的响应值确定当前帧目标的位置。(2)针对相关滤波算法难以实时准确适应目标尺度变化这一问题,提出了一种自适应变尺度的目标跟踪方法。在传统相关滤波循环结构的基础上,增加了对目标尺度大小估计的环节。首先利用相关滤波跟踪算法完成对目标位置的估计,然后采用一种尺度估计方法,训练一个一维的尺度滤波器,在已确定的目标位置处根据前一帧目标的大小获得多个尺度样本进行检测,由最大的响应值确定当前帧目标的尺度,实现自适应变尺度目标跟踪。(3)针对实时的模型更新没有考虑到跟踪结果可信度的问题,在传统相关滤波跟踪算法中引入了一种遮挡检测更新方法。当目标受到严重遮挡时,如果跟踪算法仍将当前帧目标的外观信息全部引入更新模型,干扰信息带来的跟踪误差会不断积累。通过对遮挡前后候选样本检测值的二维分布情况进行分析,利用检测值在一定面积阈值内的分布判断目标受遮挡情况。根据目标受遮挡情况的不同、特征融合算法与尺度自适应算法获得的跟踪框内目标信息量和干扰信息量的不同,采用了不同的遮挡检测更新方法。
【学位授予单位】：江南大学
【学位级别】：硕士
【学位授予年份】：2018
【分类号】：TP391.41;TN713
【图文】：

概率分布,颜色属性,概率分布,原图

到的两种特征。(1) 颜色特征颜色特征经常被用到跟踪算法中描述目标外观，通过计算目标的局部属性概率得到类特征主要包括 HSV 颜色空间[37]、颜色 SIFT 特征[38]、颜色属性 (CN)[39]等特征。颜色属性或者称为颜色名称，不同于颜色空间特征，因其可以更加丰富地描述物被应用于目标跟踪中[31]，它是由 Berlin[40]在一项语言学研究中得出的结论，即运用学的颜色标签特性将自然界中的颜色划分成 11 种，分别是红、橙、黄、绿、蓝、紫、白、黑、棕和粉色，这种描述比常用的颜色空间 (如 HSV) 具有更强的判别能力过对大量的人工标注的自然图片进行学习，找到颜色空间特征与 11 种颜色名称的映射关系，将两者结合起来。文献[39]给出了图像到语言学常见的 11 种颜色的映射，这种映射关系的数学形式可以描述为：对于用 RGB 空间表示的颜色 x ( R, G, B )，映射操作可得到一个概率为 11 维的特征向量 f ( x )，其含义表示观测的颜色 x 在本属于 11 种颜色属性的概率。这种映射关系概率图如图 2-2 所示。图中包含的小图上到下从左到右，依次是原图、黑、蓝、棕、灰、绿、橙、粉、紫、红、白和黄的特征图，概率图中灰度值越大即越白说明其对应概率值越大。

跟踪图,视频序列

其中igt分别表示两个区域的交集和并集。重叠精度又称为跟踪成功率 (Success Rate，SR) ，本文选取与文献[32][65]相同的阈值( T 0.5) 。距离精度和成功率均称为一次性评估(One-pass Evaluation，OPE)[66]。3.1.5 实验结果分析为了验证特征融合方法的有效性，对 Human7 视频序列进行测试实验，该视频序列发生了光照变化、尺度变化、部分遮挡、快速移动和非刚性形变，此外还有相机抖动引起的严重的运动模糊情况。图 3-3 是原算法与改进算法对 Human7 视频序列的实验跟踪结果对比图 (注：为了区分，不同算法的跟踪框分别采用不同颜色的实线：特征融合算法的跟踪框是红色，原算法的跟踪框是绿色 ) 。从图 3-3 的第 45 帧可以看出，在跟踪的前几十帧，原算法与改进算法都可以较好的跟踪目标；当出现了光照变化、相机抖动和快速移动时 (第 122 帧) ，原算法的跟踪框出现漂移；随着跟踪目标外观模糊程度的增强，模型误差不断积累，在后续帧中原算法已经跟丢目标，但是在整个跟踪过程中，改进的算法仍能克服这些干扰因素的影响，完成目标的位置估计。

分布情况,二维分布,响应值

(a) (b) (c) (d)图 3-5 遮挡前后响应值二维分布图基于检测值的分布情况和传统相关滤波器实时更新分类器滤波模板系数与目标外型带来的误差累积问题，为了获得更加可靠的分类器改善跟踪算法的有效性，采用种遮挡检测更新机制，即0.020 未遮挡遮挡(3-在获取当前帧目标位置后，启动遮挡检测更新算法，判断当前帧目标是否受到遮挡果目标未受到遮挡，按照文献[29]的更新方式 (即式 (3-19) 和式 (3-20) 的学习速 0.02) 更新各个模型参数，如果目标发生遮挡，滤波模板系数与外观模型的更新速率为 0。挡检测更新算法的伪代码如下：1T 为遮挡阈值，2T 为面积阈值，m 为当前帧的候选样本数， w 、 h 为搜索区域的宽*/put：当前帧目标位置tp ，目标对应候选样本的响应值 ( )maxy z

【相似文献】